论文部分内容阅读
轨道是铁路、地铁的主要技术设备之一，是列车运行的基础。为了保持轨道设备状态良好，使列车按照规定速度安全、平稳地运行，并尽量延长设备的使用寿命，目前我国轨道设备管理部门主要采取“周期修”和“故障修”的模式对其进行修理。但客运列车的高速化以及货运列车的重载化，对轨道设备的技术状态提出了更高的要求。同时，路网规模的不断扩大，设备使用年限的不断增加，使得轨道设备的修理费用快速增长。因此，轨道设备的修理模式正逐步由“周期修”和“故障修”向“预防修”转变。实现这种转变，需要管理者对轨道设备健康状态劣化规律更准确地感知、轨道设备修理周期更精准地预测以及轨道设备修理决策更合理地优化。
本文围绕轨道设备的预防修，对轨道设备修理周期预测和修理决策优化两个方面的问题进行了研究，分别构建了轨道设备修理周期个性化预测模型和轨道设备全寿命周期修理决策优化模型，具体内容如下:
(1)构建了基于包含异质性因素的离散状态威布尔分布(Heterogeneity FactorsDiscrete State Weibull Distribution，HFDS-Weibull)的轨道设备修理周期个性化预测模型。模型针对轨道设备劣化的异质性、不确定性、多阶段性和联动性，在将线性、连续、长大的轨道设备划分成多个设备单元以及将设备单元的劣化过程划分成多个阶段的基础上，以单个设备单元的每个劣化阶段为研究对象，量化赋值了异质性因素，并利用HFDS-Weibull方法个性化地描述了每个设备单元每个劣化阶段的劣化规律，实现了各类异质性因素对轨道设备劣化过程影响程度以及在不同阶段影响程度变化情况的定量分析，并个性化地预测了不同空间位置处轨道设备的修理周期。作者利用北京地铁小半径曲线钢轨2004年9月到2015年9月11年的磨耗历史检测数据和异质性因素数据对模型的有效性进行了验证，结果表明:模型在同时考虑设备劣化异质性、不确定性、多阶段性和联动性影响的情况下，预测精度能够辅助管理者在高时空分辨率下准确分析设备的修理需求，可为轨道设备的预防修提供决策支持。
(2)构建了基于自适应学习马尔科夫决策过程(Adaptive Learning MarkovDecision Process，AL-MDP)的设备级别全寿命周期修理决策优化模型。模型针对单个设备的全寿命周期修理决策优化，在划分设备单元的基础上，以单个设备单元对建模对象，采用设备级别MDP状态转移概率矩阵描述了设备单元状态的劣化过程，考虑了轨道设备劣化异质性和不确定性的影响。同时，通过在模型中设置基于HFDS-Weibull方法的自适应学习机制，使得模型能够在每个决策时刻根据最新的状态数据更新MDP状态转移概率矩阵，实现模型对劣化过程的自适应学习。最后，模型以包含检测成本、修理成本以及剩余价值等的全寿命周期成本最小为目标，以状态为约束，利用基于动态规划(Dynamic Programming，DP)的逆向归纳值迭代算法，求解了设备单元全寿命周期的最优修理决策。作者以北京地铁2号线下行里程为K11+913.705～K12+084.605的小半径曲线钢轨单元为例，在利用蒙特卡罗方法对其状态进行模拟的基础上，分别利用本文提出的设备级别AL-MDP模型和既有的缺少自适应学习机制的设备级别MDP模型对其进行了规划周期为10年的修理决策优化，并将优化结果进行了对比分析，结果表明:本文提出的设备级别AL-MDP模型相对于MDP模型能够有效提高设备单元修理决策的质量，在保障安全的情况下，能够更有效地节省修理成本。
(3)构建了基于AL-MDP的网络级别全寿命周期修理决策优化模型。模型针对设备网络的全寿命周期修理决策优化，以包含多种设备类型多个设备单元的设备网络为建模对象，采用网络级别MDP状态转移概率矩阵描述了网络状态的变化过程，考虑了网络状态变化不确定性的影响。同时，通过在模型中设置基于MLE方法的自适应学习机制，使得模型能够在每个决策时刻根据网络最新的状态数据更新MDP状态转移概率矩阵，实现模型对网络状态变化过程的自适应学习。最后，模型为网络中每个设备单元在每个决策时刻可选择的任意一种修理活动设置0-1变量，并将该0-1变量作为模型的决策变量，以包含设备网络的检测成本、修理成本以及剩余价值等的全寿命周期成本最小为目标，在网络状态、修理预算以及状态转移等网络约束条件下，利用基于LP(Linear Programming)的混合整数线性规划算法，求解了网络的全寿命周期最优特定设备策略。作者以北京地铁156条小半径曲线钢轨组成的设备网络为例，在利用蒙特卡罗方法对网络状态进行模拟的基础上，分别利用本文提出的网络级别AL-MDP模型和既有的缺少自适应学习机制的网络级别MDP模型进行了规划周期为10年的修理决策优化，并将优化结果进行了对比分析，结果充分说明了本文提出的网络级别AL-MDP模型相对于MDP模型在修理决策的优越性和实用性上所具有的优势。
本文围绕轨道设备的预防修，对轨道设备修理周期预测和修理决策优化两个方面的问题进行了研究，分别构建了轨道设备修理周期个性化预测模型和轨道设备全寿命周期修理决策优化模型，具体内容如下:
(1)构建了基于包含异质性因素的离散状态威布尔分布(Heterogeneity FactorsDiscrete State Weibull Distribution，HFDS-Weibull)的轨道设备修理周期个性化预测模型。模型针对轨道设备劣化的异质性、不确定性、多阶段性和联动性，在将线性、连续、长大的轨道设备划分成多个设备单元以及将设备单元的劣化过程划分成多个阶段的基础上，以单个设备单元的每个劣化阶段为研究对象，量化赋值了异质性因素，并利用HFDS-Weibull方法个性化地描述了每个设备单元每个劣化阶段的劣化规律，实现了各类异质性因素对轨道设备劣化过程影响程度以及在不同阶段影响程度变化情况的定量分析，并个性化地预测了不同空间位置处轨道设备的修理周期。作者利用北京地铁小半径曲线钢轨2004年9月到2015年9月11年的磨耗历史检测数据和异质性因素数据对模型的有效性进行了验证，结果表明:模型在同时考虑设备劣化异质性、不确定性、多阶段性和联动性影响的情况下，预测精度能够辅助管理者在高时空分辨率下准确分析设备的修理需求，可为轨道设备的预防修提供决策支持。
(2)构建了基于自适应学习马尔科夫决策过程(Adaptive Learning MarkovDecision Process，AL-MDP)的设备级别全寿命周期修理决策优化模型。模型针对单个设备的全寿命周期修理决策优化，在划分设备单元的基础上，以单个设备单元对建模对象，采用设备级别MDP状态转移概率矩阵描述了设备单元状态的劣化过程，考虑了轨道设备劣化异质性和不确定性的影响。同时，通过在模型中设置基于HFDS-Weibull方法的自适应学习机制，使得模型能够在每个决策时刻根据最新的状态数据更新MDP状态转移概率矩阵，实现模型对劣化过程的自适应学习。最后，模型以包含检测成本、修理成本以及剩余价值等的全寿命周期成本最小为目标，以状态为约束，利用基于动态规划(Dynamic Programming，DP)的逆向归纳值迭代算法，求解了设备单元全寿命周期的最优修理决策。作者以北京地铁2号线下行里程为K11+913.705～K12+084.605的小半径曲线钢轨单元为例，在利用蒙特卡罗方法对其状态进行模拟的基础上，分别利用本文提出的设备级别AL-MDP模型和既有的缺少自适应学习机制的设备级别MDP模型对其进行了规划周期为10年的修理决策优化，并将优化结果进行了对比分析，结果表明:本文提出的设备级别AL-MDP模型相对于MDP模型能够有效提高设备单元修理决策的质量，在保障安全的情况下，能够更有效地节省修理成本。
(3)构建了基于AL-MDP的网络级别全寿命周期修理决策优化模型。模型针对设备网络的全寿命周期修理决策优化，以包含多种设备类型多个设备单元的设备网络为建模对象，采用网络级别MDP状态转移概率矩阵描述了网络状态的变化过程，考虑了网络状态变化不确定性的影响。同时，通过在模型中设置基于MLE方法的自适应学习机制，使得模型能够在每个决策时刻根据网络最新的状态数据更新MDP状态转移概率矩阵，实现模型对网络状态变化过程的自适应学习。最后，模型为网络中每个设备单元在每个决策时刻可选择的任意一种修理活动设置0-1变量，并将该0-1变量作为模型的决策变量，以包含设备网络的检测成本、修理成本以及剩余价值等的全寿命周期成本最小为目标，在网络状态、修理预算以及状态转移等网络约束条件下，利用基于LP(Linear Programming)的混合整数线性规划算法，求解了网络的全寿命周期最优特定设备策略。作者以北京地铁156条小半径曲线钢轨组成的设备网络为例，在利用蒙特卡罗方法对网络状态进行模拟的基础上，分别利用本文提出的网络级别AL-MDP模型和既有的缺少自适应学习机制的网络级别MDP模型进行了规划周期为10年的修理决策优化，并将优化结果进行了对比分析，结果充分说明了本文提出的网络级别AL-MDP模型相对于MDP模型在修理决策的优越性和实用性上所具有的优势。